1.一种基于多噪声自监督学习的探地雷达图像去噪方法，其特征在于，包括以下步骤：（1）大量获取探地雷达的真实图像，构成数据集；

（2）构造一多噪声自监督学习去噪网络，包括噪声生成模块、去噪模块、噪声融合模块和预去噪模块；

所述噪声生成模块用于对输入的真实图像分别添加高斯噪声、椒盐噪声和散斑噪声，生成高斯噪声图、椒盐噪声图和散斑噪声图；

所述去噪网络采用U‑Net网络，用于输入真实图像、高斯噪声图、椒盐噪声图和散斑噪声图，去噪后的对应输出真实图像去噪图、高斯噪声去噪图yg、椒盐噪声去噪图ys&p和散斑噪声去噪图ys；

所述噪声融合模块用于对yg、ys&p和ys进行融合，得到多噪声融合去噪图；

所述预去噪模块用于对真实图像预先去除部分噪声，得到预去噪图像；

（3）设计混合损失函数Lhybrid；

Lhybrid=Lfus+λd Ldiff                （1），式（1）中，Ldiff为真实图像去噪图与预去噪图像间的微分损失函数、Lfus为多噪声融合去噪图与预去噪图像间的损失函数，λd为Ldiff的系数；

（4）将数据集分批送入噪声自监督学习去噪网络进行训练，每一批计算一Lhybrid，采用反向传播算法，通过Lhybrid更新自监督学习去噪网络的权重参数，得到噪声自监督学习去噪模型；

（5）输入待去噪的真实图像，送入噪声自监督学习去噪模型中，由去噪网络输出对应的真实图像去噪图，作为去噪后的图像。

2.根据权利要求1所述的基于多噪声自监督学习的探地雷达图像去噪方法，其特征在于，步骤（2）中，噪声融合模块采用下式得到多噪声融合去噪图ffusion；

             （2），式（2）中，λg、λs&p和λs分别为噪声生成模块添加的高斯噪声、椒盐噪声和散斑噪声的噪声水平系数，值为0‑1间的随机数。

3.根据权利要求1所述的基于多噪声自监督学习的探地雷达图像去噪方法，其特征在于，步骤（4）中，一张真实图像经噪声自监督学习去噪网络处理的流程为：（a1）真实图像经噪声生成模块得到高斯噪声图、椒盐噪声图和散斑噪声图，真实图像经预去噪模块得到预去噪图像；

（a2）将真实图像、高斯噪声图、椒盐噪声图和散斑噪声图送入去噪网络分别得到真实图像去噪图、高斯噪声去噪图、椒盐噪声去噪图和散斑噪声去噪图；

（a3）将高斯噪声去噪图、椒盐噪声去噪图和散斑噪声去噪图经噪声融合模块得到多噪声融合去噪图。

4.根据权利要求1所述的基于多噪声自监督学习的探地雷达图像去噪方法，其特征在于，所述预去噪模块通过下式对真实图像去噪，得到预去噪图像D（x）；

D（x）=NLM(WT(x))               （3），式（3）中，x为真实图像，WT(·)为小波变换bior函数，NLM为非局部均值滤波器。

5.根据权利要求1所述的基于多噪声自监督学习的探地雷达图像去噪方法，其特征在于，所述Ldiff、Lfus分别通过下式计算；

          （4），

           （5），式（4）

中，N为步骤（4）中一批真实图像的数量，xj为该批真实图像中的第j张真实图像，1≤j≤N，w为去噪网络权重，w(xj)为xj对应的真实图像去噪图，D(xj)为xj对应的预去噪图像；

式（5）中，ffusion(xj)为xj对应的多噪声融合去噪图，λ为真实图像的重要性系数，用于表示真实图像在训练中的重要性。

6.根据权利要求1所述的基于多噪声自监督学习的探地雷达图像去噪方法，其特征在于，所述去噪网络采用U‑Net网络。